Microsoft OneDrive 集成

使用 LangChain Python 与 Microsoft OneDrive 文档加载器集成。

Microsoft OneDrive（原名 SkyDrive）是由微软运营的文件托管服务。

本笔记本介绍如何从 OneDrive 加载文档。默认情况下，文档加载器会加载 pdf、doc、docx 和 txt 文件。您可以通过提供适当的解析器来加载其他文件类型（详见下文）。

前提条件

1. 按照 Microsoft 身份平台 的说明注册一个应用程序。

2. 注册完成后，Azure 门户会显示应用注册的概览页面。您会看到应用程序（客户端）ID。也称为 client ID，此值在 Microsoft 身份平台中唯一标识您的应用程序。

3. 在遵循 第 1 项 的步骤时，您可以将重定向 URI 设置为 http://localhost:8000/callback。

4. 在遵循 第 1 项 的步骤时，在“应用程序密码”部分生成一个新密码（client_secret）。

5. 按照此文档的说明，将以下 SCOPES（offline_access 和 Files.Read.All）添加到您的应用程序。

6. 访问 Graph Explorer Playground 获取您的 OneDrive ID。第一步是确保您使用与您的 OneDrive 账户关联的账户登录。然后您需要向 https://graph.microsoft.com/v1.0/me/drive 发出请求，响应将返回一个包含 id 字段的有效负载，该字段保存您的 OneDrive 账户 ID。

7. 您需要使用命令 pip install o365 安装 o365 包。

8. 完成这些步骤后，您必须拥有以下值：

   • CLIENT_ID
   • CLIENT_SECRET
   • DRIVE_ID

🧑 从 OneDrive 提取文档的说明

🔑 身份验证

默认情况下，OneDriveLoader 期望 CLIENT_ID 和 CLIENT_SECRET 的值必须存储为名为 O365_CLIENT_ID 和 O365_CLIENT_SECRET 的环境变量。您可以通过应用程序根目录下的 .env 文件或在脚本中使用以下命令传递这些环境变量。

os.environ['O365_CLIENT_ID'] = "您的客户端 ID"
os.environ['O365_CLIENT_SECRET'] = "您的客户端密钥"

此加载器使用一种称为 代表用户 的身份验证方式。这是一个需要用户同意的两步验证过程。当您实例化加载器时，它会打印一个 URL，用户必须访问该 URL 以同意应用程序所需的权限。然后用户必须访问此 URL 并同意应用程序的请求。接着，用户必须复制生成的页面 URL 并将其粘贴回控制台。如果登录尝试成功，该方法将返回 True。

from langchain_community.document_loaders.onedrive import OneDriveLoader

loader = OneDriveLoader(drive_id="您的驱动器 ID")

身份验证完成后，加载器将在 ~/.credentials/ 文件夹中存储一个令牌（o365_token.txt）。此令牌可用于后续的身份验证，而无需之前解释的复制/粘贴步骤。要在加载器实例化时使用此令牌进行身份验证，您需要将 auth_with_token 参数更改为 True。

from langchain_community.document_loaders.onedrive import OneDriveLoader

loader = OneDriveLoader(drive_id="您的驱动器 ID", auth_with_token=True)

🗂️ 文档加载器

📑 从 OneDrive 目录加载文档

OneDriveLoader 可以从您的 OneDrive 中的特定文件夹加载文档。例如，您希望加载存储在 OneDrive 中 Documents/clients 文件夹内的所有文档。

from langchain_community.document_loaders.onedrive import OneDriveLoader

loader = OneDriveLoader(drive_id="您的驱动器 ID", folder_path="Documents/clients", auth_with_token=True)
documents = loader.load()

📑 从文档 ID 列表加载文档

另一种可能性是提供您要加载的每个文档的 object_id 列表。为此，您需要查询 Microsoft Graph API 以找到您感兴趣的所有文档 ID。此链接提供了一系列有助于检索文档 ID 的端点。

例如，要检索存储在 Documents 文件夹根目录下所有对象的信息，您需要向以下地址发出请求：https://graph.microsoft.com/v1.0/drives/{您的驱动器 ID}/root/children。一旦您有了感兴趣的 ID 列表，就可以使用以下参数实例化加载器。

from langchain_community.document_loaders.onedrive import OneDriveLoader

loader = OneDriveLoader(drive_id="您的驱动器 ID", object_ids=["ID_1", "ID_2"], auth_with_token=True)
documents = loader.load()

📑 选择支持的文件类型和首选解析器

默认情况下，OneDriveLoader 使用默认解析器（见下文）加载在 document_loaders/parsers/registry 中定义的文件类型。

def _get_default_parser() -> BaseBlobParser:
    """获取基于 MIME 类型的默认解析器。"""
    return MimeTypeBasedParser(
        handlers={
            "application/pdf": PyMuPDFParser(),
            "text/plain": TextParser(),
            "application/msword": MsWordParser(),
            "application/vnd.openxmlformats-officedocument.wordprocessingml.document": (
                MsWordParser()
            ),
        },
        fallback_parser=None,
    )

您可以通过向 OneDriveLoader 传递 handlers 参数来覆盖此行为。传递一个字典，将文件扩展名（如 "doc"、"pdf" 等）或 MIME 类型（如 "application/pdf"、"text/plain" 等）映射到解析器。请注意，您必须仅使用文件扩展名或仅使用 MIME 类型，不能混合使用。

文件扩展名不要包含前导点。

# 使用文件扩展名：
handlers = {
    "doc": MsWordParser(),
    "pdf": PDFMinerParser(),
    "mp3": OpenAIWhisperParser()
}

# 使用 MIME 类型：
handlers = {
    "application/msword": MsWordParser(),
    "application/pdf": PDFMinerParser(),
    "audio/mpeg": OpenAIWhisperParser()
}

loader = OneDriveLoader(document_library_id="...",
                            handlers=handlers # 将 handlers 传递给 OneDriveLoader
                            )

如果多个文件扩展名映射到同一个 MIME 类型，将应用字典中的最后一项。 示例：

# 'jpg' 和 'jpeg' 都映射到 'image/jpeg' MIME 类型。SecondParser() 将用于
# 解析所有 jpg/jpeg 文件。
handlers = {
    "jpg": FirstParser(),
    "jpeg": SecondParser()
}

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.